收藏本页 打印 放大 缩小
0

人性化的人工智能探索与应用

发布时间:2019-01-22 11:44:45    作者:    来源:中国保险报网

□张轶

一直以为是正确的,现在还是正确的吗?

2007年,当非洲仅有4436万互联网用户时,英国广播公司(BBC)的采访团队曾在肯尼亚发现有农民利用手机来跟踪几个远处村庄的西红柿价格。《地球的法则》作者在转录这一细节时写道:“手机信号覆盖到哪里,经济发展和社会改变就在哪里发生。”彼时风靡的功能手机,此时已被形态多样的智能移动终端替代,农户们也转向通过移动端应用全方位把握市场动态,他们的信息来源甚至延伸到了社交媒体等非传统、非专业渠道。2018年底,Facebook在非洲拥有1.39亿用户(手机用户约占98%),和其他地区的人们一样,这些传统媒体视野中信息和服务的消费者,在新媒体时代兼任了生产者的角色——他们主动或被动地向所在平台贡献着资讯,并从中获益。

我们见证着技术驱动的持续创新,与此同时,各行各业对前沿技术的依赖与日俱增。在AlphaGo掀起的热潮下,以大数据、算法、算力为基石的人工智能技术,不仅与市场竞争的需求相契合,也正以不可逆转之势,驱动着各行各业的智能化转型。

变迁不会一蹴而就。人工智能的研究与应用,充满试错的曲折,要融入传统悠久的行业,更非坦途。然而,最大的风险,是不承担风险。当二者的融合成为必然,无论企业还是个人,与其充满忧虑,不如勇敢地拥抱未来,行动起来。

为什么引入人工智能解决方案?答案是一切投入的缘起,也是目的地。

观察市场中的成功案例不难发现,洞察力、用户体验和流程效率的提升是目前人工智能项目最普遍的获益。深度学习技术在海量数据的支撑下,通过识别与分类为图像分析与处理提供支持。BERT等模型推广应用于海量非结构化数据处理分析,以定位热点为目标的文本分析、筛选和抓取将更准确、更及时。动态声影合成已完成“从零到一”的跨越,用户触达的时效与体验同步提升。人工智能与物联网协作,不仅使数据采集更广泛、更精细,还将信息、产品和服务的分发渠道拓展到智能交通、智能家居等新领域。

成功不是一蹴而就。只看到成功案例的收益,忽略具体落地方案和潜藏风险而匆忙启动项目,后果不堪设想。需求无限,但资源有限,是选择已有应用的改进与优化,还是纯粹的战略型创新探索,必须经过严格的论证。

如何选定实施项目?最切实可行的项目,往往隐藏在司空见惯的业务实践中。

定义一个好的项目,不仅需要对历史上积累的需求进行梳理,还应以旁观者的眼光对固有流程进行审视。在此基础上,还需要结合对完成项目所需数据资源的估计,以及对项目成果的评判,确定预计投入和预期产出。

实践中,这一系列工作无法交给一个人或同一类人,而必须由资深的业务专家、技术专家、数据专家和项目管理人员共同完成。团队无需庞大,但每个领域的负责人,都需要足够专业且保持独立性,切忌人云亦云。业务专家(也可能是产品经理)对应用场景进行挖掘、识别和优先级排序,并交由技术专家对底层技术进行选型并设计系统架构,数据专家则侧重关注可用数据资源和短缺部分的补充方案,项目经理全程跟踪,对投入、目标及核心收益(预测力提升、用户体验增强还是流程优化)进行严格把关,必要时,还需引入合规、法律、风控专家,评估项目可能遇到的问题。资源不足时,技术专家和业务专家可能共同承担起数据专家的工作。对某些基于战略目标分解而成的任务,甚至要经历漫长的磨合与碰撞才能完成评定,过程中也可能安排必要的试验和预演。

如何达成项目目标?目标的不同,会导致技术选型搭配、系统架构设计、底层数据范围、基础设施投入、团队人员构成的差异。资源的约束,也将影响目标实现路径的选择。人工智能项目的实施方案不仅应考虑技术的可行性和数据的有效性,还必须将公司治理、风险管控及法律合规等限制条件纳入规划。

因地制宜,因时制宜。面对定义清晰、数据完备、具体而急迫的业务目标,应尽可能选择较为简洁的算法模型,与现有系统快速对接,条件具备时,一些有编程基础且学习能力较强的业务人员,也可以参与到项目研发中,与人工智能专家共同完成项目工作。与之对应,战略项目则必须有人工智能专家的全程投入,此类项目的数据资源往往是不足的,因而需要较长的时间,甚至配备专门的数据团队对底层数据进行梳理、采购、整合甚至重新定义。

深度神经网络、自然语言处理和计算机视觉等知识领域的技术应用日趋成熟,在此基础上构架而成的众多通用技术平台和工具,都可直接从外部采购。以人工智能在金融行业的应用为例,脸部识别、身份证件的自动识别都已经是较成熟的应用产品,单就技术层面而言,金融机构的自有应用直接对接第三方服务,即可实现远程在线开户的图像校验。而对于市场情绪的分析与识别,由于数据集、分析目标与方法模型存在各自的独特性,自主研发过程中,不同的金融机构几乎都经历了同样漫长的数据训练集准备(人力投入必不可少)、模型研究与训练过程。

有机遇的地方,风险也会并存。

如何控制风险?人工智能项目的探索实践过程中,会遇到诸多问题。

就项目本身而言,可能因为所用的数据无法保质保量,而不得不走弯路;财务方面若控制不当,短期内可能发生较为严重的成本超支,导致项目失败。

外部因素也将影响项目推进,由于运作效率的提升,可能导致现有的运营体系和流程崩解,或对正在盈利的现有业务带来冲击;数据安全及隐私保护方面也将面临全新的挑战,法律方面,则相应存在合规风险;相应还必须考虑的,是人工智能深度应用过程中对社会和就业产生的影响。项目过程中,需要密切关注潜藏的风险因素,并提前准备人性化的应对方案。

然而,我们更应该持续提醒自己,最大的风险是不承担任何风险。一味墨守成规只会将企业引向被竞争淘汰的末路。

目前对人工智能的应用研究和商业化实践仍聚焦在信息采集、内容加工、产品分发、反馈互动、质量管理、合规监控等特定环节的特定环境下完成特定任务。在弱人工智能层面的优化改进对现有产业链的冲击还未完全显现,有关于人工智能研究及应用的法律法规还处于探索阶段,潜在风险地图和应对方案库也只能在不断的试错中完善。

人工智能的实践主体禀赋各异,成功难以复制。面对不确定的挑战,我们需要确定的,不仅是战略的远方,还有战术的步伐;我们需要坚持的,不仅是兼容并包,还有对细节的关注。

人工智能项目的目标达成所依赖的核心既不是技术,也不是数据,而是人。当我们面对人工智能替代人类工作的论断而心有恐慌时,不应该忘记,此刻所谈论的人工智能项目,都是由人类团队完成。人不仅是人工智能项目的发起者和执行者,更应被视为核心技术和创造力的载体。在强人工智能出现之前,人类与人工智能的互动模式,尚需要时间来完成定义。

一直以为是正确的,现在不一定正确。但在可预见的未来,积极寻找并培养人工智能人才,建立卓越的人工智能团队,以人为本,仍将是人工智能最核心的命题与理念。